คำถามติดแท็ก frequentist

ในวิธีการอนุมานเพื่ออนุมานขั้นตอนทางสถิติได้รับการประเมินโดยการปฏิบัติงานของพวกเขาในระยะยาวของการทำซ้ำของกระบวนการที่ถือว่าเป็นการสร้างข้อมูล


9
ความแตกต่างระหว่างช่วงความมั่นใจกับช่วงเวลาที่เชื่อถือได้คืออะไร
การแลกเปลี่ยนของ Joris และ Srikant ที่นี่ทำให้ฉันสงสัย (อีกครั้ง) ถ้าคำอธิบายภายในของฉันสำหรับความแตกต่างระหว่างช่วงความมั่นใจและช่วงเวลาที่น่าเชื่อถือนั้นเป็นสิ่งที่ถูกต้อง คุณจะอธิบายความแตกต่างอย่างไร

13
มีอะไรผิดปกติกับการ์ตูนประจำของ XKCD เทียบกับ Bayesians?
การ์ตูน xkcd ฉบับนี้ (ผู้พบเห็นบ่อยครั้งและชาวเบย์)ทำให้ความสนุกของนักสถิติผู้ซึ่งได้ผลลัพธ์ที่ผิดอย่างเห็นได้ชัด อย่างไรก็ตามสำหรับฉันแล้วการให้เหตุผลของเขานั้นถูกต้องในแง่ที่ว่ามันเป็นไปตามวิธีการมาตรฐานของนักเล่นแร่แปรธาตุ ดังนั้นคำถามของฉันคือ "เขาใช้วิธีการแบบประจำอย่างถูกต้องหรือไม่" ถ้าไม่: สิ่งที่จะอนุมานบ่อยครั้งที่ถูกต้องในสถานการณ์นี้? วิธีการรวม "ความรู้ก่อนหน้า" เกี่ยวกับความเสถียรของดวงอาทิตย์ในวิธีการที่ใช้บ่อย? ถ้าใช่: wtf ;-)

8
ASA กล่าวถึงข้อ จำกัด ของ
เรามีแท็กหลายเธรดที่ติดแท็กเป็นค่า pที่เปิดเผยความเข้าใจผิดมากมายเกี่ยวกับพวกเขา สิบเดือนที่ผ่านมาเรามีหัวข้อเกี่ยวกับวารสารจิตวิทยาที่ "ต้องห้าม" -valuesพีppตอนนี้สมาคมอเมริกันสถิติ (2016)กล่าวว่ามีการวิเคราะห์ของเราที่เรา "ไม่ควรจบลงด้วยการคำนวณที่ -value"พีpp สมาคมสถิติอเมริกัน (ASA) เชื่อว่าชุมชนวิทยาศาสตร์จะได้รับประโยชน์จากคำแถลงอย่างเป็นทางการที่อธิบายถึงหลักการที่ใช้กันอย่างแพร่หลายในการใช้และการตีความอย่างเหมาะสมพีpp คณะกรรมการระบุวิธีการอื่น ๆ ซึ่งอาจเป็นทางเลือกหรือข้อมูลเพิ่มเติมเกี่ยวกับค่า :พีpp ในมุมมองของการใช้ผิดวิธีที่แพร่หลายและความเข้าใจผิดเกี่ยวกับค่า , สถิติบางคนชอบที่จะเสริมหรือแม้กระทั่งแทนที่ค่า ด้วยวิธีการอื่น ๆ เหล่านี้รวมถึงวิธีการที่เน้นการประมาณค่าการทดสอบเช่นความมั่นใจความน่าเชื่อถือหรือช่วงการทำนาย วิธีการแบบเบย์ มาตรการทางเลือกของหลักฐานเช่นอัตราส่วนความน่าจะเป็นหรือปัจจัยเบย์ และแนวทางอื่น ๆ เช่นการสร้างแบบจำลองเชิงทฤษฎีการตัดสินใจและอัตราการค้นพบที่ผิด มาตรการและวิธีการทั้งหมดเหล่านี้ขึ้นอยู่กับสมมติฐานต่อไป แต่พวกเขาอาจระบุขนาดของผลกระทบโดยตรง (และความไม่แน่นอนที่เกี่ยวข้อง) หรือว่าสมมติฐานนั้นถูกต้องหรือไม่พีพีppพีpp ดังนั้นขอจินตนาการหลัง -values ความเป็นจริง ASA แสดงวิธีการบางอย่างที่สามารถใช้แทนค่าแต่ทำไมถึงดีกว่า ข้อใดที่สามารถทดแทนชีวิตจริงสำหรับนักวิจัยที่ใช้ค่าสำหรับทุกชีวิตของเขา? ฉันคิดว่าชนิดของคำถามนี้จะปรากฏในโพสต์ -values ความเป็นจริงดังนั้นบางทีเรามาพยายามที่จะเป็นขั้นตอนหนึ่งไปข้างหน้าของพวกเขา อะไรคือทางเลือกที่สมเหตุสมผลที่สามารถนำไปใช้นอกกรอบได้? ทำไมวิธีนี้ควรทำให้นักวิจัยหัวหน้าบรรณาธิการหรือผู้อ่านนำของคุณเข้าใจพีพีพีพีppพีppพีppพีpp เนื่องจากรายการบล็อกติดตามผลนี้แนะนำค่าจึงไม่สามารถเอาชนะได้ในความเรียบง่าย:พีpp p-value ต้องการเพียงแบบจำลองทางสถิติสำหรับพฤติกรรมของสถิติภายใต้สมมติฐานว่างเพื่อเก็บไว้ แม้ว่ารูปแบบของสมมติฐานทางเลือกจะใช้ในการเลือกสถิติ "ดี" (ซึ่งจะใช้สำหรับการสร้าง p-value) รูปแบบทางเลือกนี้ไม่จำเป็นต้องถูกต้องเพื่อให้ p-value …

12
Bayesians คือใคร?
ในฐานะที่เป็นหนึ่งในความสนใจในสถิติที่แตกต่าง"บ่อย" และ "Bayesian"ในไม่ช้าก็กลายเป็นเรื่องธรรมดา (และผู้ที่ยังไม่ได้อ่านสัญญาณและเสียงของเนทซิลเวอร์ ? ในหลักสูตรการพูดคุยและการแนะนำมุมมองเป็นประจำอย่างท่วมท้น ( MLE , ค่า ) แต่มีแนวโน้มที่จะมีเวลาเพียงเล็กน้อยในการชื่นชมสูตร Bayes และสัมผัสกับแนวคิดของการกระจายก่อนหน้านี้พีpp น้ำเสียงที่ใช้เพื่อหารือเกี่ยวกับสถิติของ Bayesian แกว่งไปมาระหว่างการให้ความเคารพต่อการสนับสนุนแนวคิดและคำใบ้ของความสงสัยเกี่ยวกับช่องว่างระหว่างวัตถุประสงค์อันสูงส่งและความไม่ลงรอยกันในการเลือกการแจกแจงก่อนหน้า ประโยคเช่น "ถ้าคุณเป็น Bayesian ฮาร์ดคอร์ ... " มาก คำถามคือใครคือชาวเบย์ในปัจจุบัน? พวกเขาบางสถาบันการศึกษาที่เลือกที่คุณรู้ว่าถ้าคุณไปที่นั่นคุณจะกลายเป็นเบย์? ถ้าเป็นเช่นนั้นพวกเขาต้องการเป็นพิเศษหรือไม่? เราหมายถึงนักสถิติและนักคณิตศาสตร์ที่ได้รับการเคารพเพียงไม่กี่คนและหากเป็นเช่นนั้น พวกมันมีอยู่จริงหรือเปล่าเช่น "Bayesians" บริสุทธิ์เหล่านี้หรือไม่? พวกเขาจะยอมรับฉลากอย่างมีความสุขหรือไม่? มันเป็นความแตกต่างที่ประจบเสมอ? พวกเขาเป็นนักคณิตศาสตร์ที่มีสไลด์แปลก ๆ ในการประชุมปราศจากค่าใด ๆและช่วงความเชื่อมั่นหรือไม่พีpp มีโพรงจำนวนเท่าใดที่เป็น "Bayesian" เราหมายถึงนักสถิติส่วนน้อยหรือไม่? หรือ Bayesian-ism ปัจจุบันมีแอปพลิเคชันการเรียนรู้ของเครื่อง? ... หรือมากกว่านั้นคือสถิติแบบเบย์ไม่ได้เป็นสาขาวิชาสถิติมากนัก แต่เป็นขบวนการญาณวิทยาที่ครอบคลุมการคำนวณความน่าจะเป็นในปรัชญาของวิทยาศาสตร์? ในเรื่องนี้นักวิทยาศาสตร์ทุกคนจะเป็นแบบเบย์ในใจ ... แต่จะไม่มีสิ่งใดในฐานะนักสถิติแบบเบย์ที่บริสุทธิ์ซึ่งไม่สามารถผ่านไปได้กับเทคนิคที่ใช้บ่อย ๆ …

14
เมื่อใด (ถ้าเคย) เป็นวิธีการที่ใช้บ่อยดีกว่า Bayesian อย่างมาก?
ความเป็นมา : ฉันไม่มีการฝึกอบรมอย่างเป็นทางการในสถิติแบบเบย์ (แม้ว่าฉันสนใจที่จะเรียนรู้มากขึ้น) แต่ฉันรู้เพียงพอ - ฉันคิดว่า - ฉันจะได้รับส่วนสำคัญว่าทำไมหลายคนรู้สึกราวกับว่าพวกเขาเป็นที่นิยมมากกว่า แม้แต่นักศึกษาระดับปริญญาตรีในวิชาสถิติเบื้องต้น (ในสังคมศาสตร์) ชั้นที่ฉันกำลังสอนก็พบว่าวิธีการแบบเบส์ดึงดูดความสนใจ - "ทำไมเราถึงสนใจคำนวณความน่าจะเป็นของข้อมูลให้เป็นโมฆะเพราะเหตุใด สมมติฐานว่างเปล่าหรือสมมุติฐานทางเลือกและฉันยังได้อ่านหัวข้อเช่นนี้ซึ่งยืนยันถึงผลประโยชน์เชิงประจักษ์ของสถิติแบบเบย์ด้วยเช่นกัน แต่จากนั้นฉันก็ได้พบกับคำกล่าวของ Blasco (2001; หากผู้เพาะพันธุ์สัตว์ไม่สนใจปัญหาเชิงปรัชญาที่เกี่ยวข้องกับการชักนำ แต่ในเครื่องมือที่ใช้ในการแก้ปัญหาโรงเรียนเบส์เซียนและโรงเรียนที่มีการอนุมานเป็นประจำได้รับการจัดตั้งขึ้นมาอย่างดีและไม่จำเป็นต้องพิสูจน์ว่าทำไมโรงเรียนแห่งใดแห่งหนึ่ง ไม่ใช่ของพวกเขาในขณะนี้มีความยากลำบากในการปฏิบัติงานยกเว้นกรณีที่ซับซ้อนบางอย่าง ... ในการเลือกโรงเรียนหนึ่งหรืออื่น ๆ ควรจะเกี่ยวข้องกับว่ามีการแก้ปัญหาในโรงเรียนหนึ่งที่อื่น ๆ ที่ไม่ได้นำเสนอถึงวิธีการได้อย่างง่ายดายปัญหาจะแก้ไขได้ และเพื่อความสะดวกสบายของนักวิทยาศาสตร์ที่รู้สึกด้วยวิธีการแสดงออกโดยเฉพาะ คำถาม : คำพูดของ Blasco ดูเหมือนว่าจะแนะนำว่าอาจมีบางครั้งที่วิธีการใช้ชีวิตประจำวันเป็นวิธีที่ดีกว่า Bayesian และฉันก็อยากรู้อยากเห็น: เมื่อไรที่วิธีการของนักเล่นแร่แปรธาตุจะดีกว่าการเข้าใกล้แบบเบย์? ฉันสนใจในคำตอบที่จัดการกับคำถามทั้งแนวความคิด (เช่นเมื่อทราบถึงความน่าจะเป็นของข้อมูลที่ตั้งอยู่บนสมมติฐานว่างเปล่าโดยเฉพาะอย่างยิ่งมีประโยชน์หรือไม่) และสังเกตุ (เช่นภายใต้เงื่อนไขว่า มันจะดีกว่าถ้าคำตอบถูกสื่อถึงความเป็นไปได้ - มันดีที่จะตอบกลับไปที่ชั้นเรียนของฉันเพื่อแบ่งปันกับนักเรียนของฉัน ในที่สุดแม้ว่าจะเป็นผู้ใช้สถิติของผู้ใช้บ่อย แต่ฉันก็เปิดกว้างต่อความเป็นไปได้ที่ Bayesian เพิ่งจะชนะในกระดาน

10
มีพื้นฐานทางคณิตศาสตร์สำหรับการถกเถียงแบบเบย์กับการถกเถียงกันบ่อยๆหรือไม่?
มันพูดในWikipediaว่า: คณิตศาสตร์ [ของความน่าจะเป็น] ส่วนใหญ่เป็นอิสระจากการตีความความน่าจะเป็นใด ๆ คำถาม:แล้วถ้าเราต้องการที่จะมีความถูกต้องทางคณิตศาสตร์ไม่ควรที่เราไม่อนุญาตใด ๆความหมายของความน่าจะเป็น? คือทั้งแบบเบย์และความถี่ที่ไม่ถูกต้องทางคณิตศาสตร์? ฉันไม่ชอบปรัชญา แต่ฉันชอบวิชาคณิตศาสตร์และฉันต้องการทำงานเฉพาะภายในกรอบของสัจพจน์ของ Kolmogorov หากนี่คือเป้าหมายของฉันควรปฏิบัติตามสิ่งที่กล่าวไว้ใน Wikipedia ว่าฉันควรปฏิเสธทั้ง Bayesianism และบ่อยครั้งหรือไม่ หากแนวคิดมีปรัชญาล้วนๆและไม่ใช่คณิตศาสตร์เลยทำไมพวกเขาจึงปรากฏเป็นสถิติตั้งแต่แรก? ความเป็นมา / บริบท: โพสต์บล็อกนี้ไม่ได้พูดเหมือนกัน แต่มันก็เถียงว่าการพยายามจำแนกเทคนิคเป็น "Bayesian" หรือ "บ่อยครั้ง" นั้นตอบโต้จากมุมมองเชิงปฏิบัติ หากการอ้างอิงจาก Wikipedia เป็นจริงดูเหมือนว่าจากมุมมองทางปรัชญาที่พยายามจำแนกวิธีการทางสถิติก็เป็นวิธีที่มีประสิทธิผลเช่นกันหากวิธีการทางคณิตศาสตร์นั้นถูกต้องก็จะใช้วิธีการเมื่อสมมติฐานของคณิตศาสตร์พื้นฐาน ถือมิฉะนั้นหากไม่ถูกต้องทางคณิตศาสตร์หรือหากสมมติฐานไม่ได้ถือไว้ก็ไม่สามารถใช้งานได้ ในทางกลับกันผู้คนจำนวนมากดูเหมือนจะระบุ "การอนุมานแบบเบย์" ด้วยทฤษฎีความน่าจะเป็น (เช่นสัจพจน์ของ Kolmogorov) แม้ว่าฉันจะไม่แน่ใจว่าทำไม ตัวอย่างบางส่วนเป็นบทความของ Jaynes เกี่ยวกับการอนุมานแบบเบย์ที่เรียกว่า "ความน่าจะเป็น" เช่นเดียวกับหนังสือของ James Stone "กฎของ Bayes '" ดังนั้นถ้าฉันใช้การเรียกร้องเหล่านี้ตามมูลค่าหน้าตัวนั่นก็หมายความว่าฉันควรจะชอบลัทธิเบย์มากกว่า อย่างไรก็ตามหนังสือของ Casella และ …

8
อะไรคือตัวอย่างที่ดีและน่าเชื่อถือที่ค่า p มีประโยชน์?
คำถามของฉันในชื่อเป็นคำอธิบายตัวเอง แต่ฉันต้องการที่จะให้บริบท ASA ออกแถลงการณ์เมื่อต้นสัปดาห์นี้“ บนค่า p: บริบทกระบวนการและวัตถุประสงค์ ” สรุปความเข้าใจผิดที่หลากหลายของค่า p และเรียกร้องให้ระมัดระวังไม่ใช้โดยไม่มีบริบทและความคิด (ซึ่งอาจกล่าวได้เพียงเกี่ยวกับ วิธีการทางสถิติใด ๆ จริงๆ) ในการตอบสนองต่อ ASA ศาสตราจารย์ Matloff เขียนบล็อกโพสต์หัวข้อ: หลังจาก 150 ปี, เอเอสเอกล่าวว่าไม่มีค่า P- จากนั้นอาจารย์ Benjamini (และฉัน) โพสต์ตอบกลับหัวข้อมันไม่ใช่ความผิด P-ค่า - การสะท้อนความเห็นในงบ เพื่อตอบสนองต่อมันศาสตราจารย์ Matloff ถามในโพสต์ติดตาม : สิ่งที่ฉันต้องการเห็น [... คือ] - เป็นตัวอย่างที่ดีและน่าเชื่อถือซึ่งค่า p มีประโยชน์ นั่นจะต้องเป็นบรรทัดล่าง เพื่ออ้างถึงสองข้อโต้แย้งที่สำคัญของเขากับประโยชน์ของค่า:ppp ด้วยตัวอย่างขนาดใหญ่การทดสอบอย่างมีนัยสำคัญจะกระโจนเข้าหาตัวเล็ก ๆ ซึ่งไม่สำคัญออกไปจากสมมติฐานว่าง เกือบจะไม่มีสมมติฐานว่างใด ๆ …

9
รายการสถานการณ์ที่วิธีการแบบเบย์นั้นง่ายกว่าใช้งานได้จริงหรือสะดวกกว่า
มีการถกเถียงกันมากมายในสถิติระหว่าง Bayesians และผู้ใช้บ่อย ฉันมักจะพบสิ่งเหล่านี้ค่อนข้างวาง (แม้ว่าฉันคิดว่ามันจะตายลง) ในทางกลับกันฉันได้พบกับคนหลายคนที่มองปัญหาอย่างจริงจังโดยบอกว่าบางครั้งมันสะดวกกว่าที่จะทำการวิเคราะห์เป็นประจำและบางครั้งมันก็ง่ายกว่าที่จะทำการวิเคราะห์แบบเบย์ ฉันพบว่ามุมมองนี้ใช้งานได้จริงและสดชื่น มันเกิดขึ้นกับฉันว่ามันจะมีประโยชน์หากมีรายการของกรณีดังกล่าว เพราะมีการวิเคราะห์ทางสถิติมากเกินไปและเพราะฉันคิดว่ามันเป็นเรื่องปกติในทางปฏิบัติมากขึ้นในการทำการวิเคราะห์แบบประจำ (การเข้ารหัส t-test ใน WinBUGS นั้นมีความเกี่ยวข้องมากกว่าการเรียกใช้ฟังก์ชันเดียวเพื่อดำเนินการเวอร์ชันที่ใช้บ่อยใน R ตัวอย่างเช่น) จะเป็นการดีถ้ามีรายการของสถานการณ์ที่วิธีการแบบเบย์นั้นง่ายกว่าใช้งานได้จริงและ / หรือสะดวกกว่าวิธีที่ใช้เป็นประจำ (สองคำตอบที่ฉันไม่สนใจคือ: 'เสมอ' และ 'ไม่เคย' ฉันเข้าใจว่าผู้คนมีความคิดเห็นที่ดี แต่โปรดอย่าออกอากาศพวกเขาที่นี่ถ้ากระทู้นี้กลายเป็นสถานที่สำหรับการทะเลาะวิวาทย่อยฉันอาจจะลบ มันเป้าหมายของฉันที่นี่คือการพัฒนาทรัพยากรที่จะเป็นประโยชน์สำหรับนักวิเคราะห์ที่มีงานต้องทำไม่ใช่ขวานที่จะบด) ผู้คนสามารถแนะนำมากกว่าหนึ่งกรณีได้ แต่โปรดใช้คำตอบแยกต่างหากเพื่อให้แต่ละสถานการณ์สามารถประเมิน (โหวต / อภิปราย) เป็นรายบุคคล คำตอบควรรายการ: (1) สิ่งที่ธรรมชาติของสถานการณ์ที่เป็นและ (2) ทำไมวิธีคชกรรมง่ายในกรณีนี้ บางรหัส (พูดใน WinBUGS) แสดงให้เห็นว่าการวิเคราะห์จะทำอย่างไรและทำไมรุ่น Bayesian จึงใช้งานได้ดีกว่านั้นจะเหมาะ แต่ฉันคาดหวังว่าจะยุ่งยากเกินไป หากสามารถทำได้อย่างง่ายดายฉันจะขอบคุณ แต่โปรดระบุเหตุผลว่าทำไมทั้งสองวิธี ในที่สุดฉันรู้ว่าฉันไม่ได้กำหนดความหมายสำหรับวิธีการหนึ่งที่จะ 'ง่ายกว่า' อีกวิธีหนึ่ง ความจริงก็คือฉันไม่แน่ใจว่าสิ่งใดที่ควรมีความหมายสำหรับวิธีการหนึ่งที่จะนำไปปฏิบัติได้มากกว่าวิธีอื่น …

6
การโต้วาทีแบบ Bayesian เกิดขึ้นที่ไหน
โลกของสถิติถูกแบ่งระหว่างผู้ใช้บ่อยและเบย์ วันนี้ดูเหมือนว่าทุกคนทำทั้งสองอย่าง สิ่งนี้จะเป็นอย่างไร หากวิธีการที่แตกต่างกันเหมาะสำหรับปัญหาที่แตกต่างกันเหตุใดบรรพบุรุษของผู้ก่อตั้งสถิติจึงไม่เห็นสิ่งนี้ อีกทางเลือกหนึ่งการถกเถียงกันได้รับรางวัลจากการถกเถียงกันบ่อยครั้งและ Bayesians ส่วนตัวที่แท้จริงย้ายไปอยู่กับทฤษฎีการตัดสินใจ?

10
ใครเป็นผู้ประจำ?
แล้วเรามีด้ายขอให้ผู้ที่มีความ Bayesiansและเป็นหนึ่งถามถ้า frequentists มี Bayesiansแต่มีด้ายไม่มีถามโดยตรงที่มี frequentists ? นี่เป็นคำถามที่ถูกถามโดย@whuberว่าเป็นความคิดเห็นของกระทู้นี้และจะต้องตอบ พวกมันมีอยู่จริงหรือไม่ บางทีพวกเขาถูกสร้างขึ้นโดย Bayesians ที่ต้องการแพะรับบาปเพื่อตำหนิเมื่อวิพากษ์วิจารณ์สถิติกระแสหลัก? Meta-comment ต่อคำตอบที่ได้รับมาแล้ว:ในทางตรงกันข้ามสถิติแบบเบย์ไม่ได้ถูกนิยามไว้เฉพาะในแง่ของการใช้ทฤษฎีบทแบบเบส์ การพูดสิ่งต่าง ๆ เช่น "ฉันเดิมพันได้โอกาสน้อยกว่า 50:50!"แบบเบย์) - ดังนั้นเราสามารถกำหนดความถี่ในแง่ของการตีความความน่าจะเป็นที่ยอมรับได้หรือไม่? นอกจากนี้สถิตินำมาใช้น่าจะเป็น≠≠\neดังนั้นควรนิยามของ frequentism จะมุ่งเน้น แต่เพียงผู้เดียวในการตีความของความน่าจะ?

5
ตัวอย่างของวิธีการแบบเบย์และวิธีการตอบคำถามบ่อยครั้ง
หมายเหตุ: ผมรู้สึกตระหนักถึงปรัชญาความแตกต่างระหว่างสถิติคชกรรมและ frequentist ตัวอย่างเช่น "ความน่าจะเป็นที่เหรียญบนโต๊ะเป็นหัว" ไม่สมเหตุสมผลในสถิติบ่อยครั้งเนื่องจากมันมีหัวหรือก้อยแล้ว - ไม่มีความน่าจะเป็นเกี่ยวกับมัน ดังนั้นคำถามที่ไม่มีคำตอบในแง่บ่อย แต่ความแตกต่างเป็นพิเศษไม่ได้ชนิดของความแตกต่างที่ฉันขอเกี่ยวกับ แต่ฉันอยากรู้ว่าการคาดการณ์ของพวกเขาสำหรับคำถามที่มีรูปแบบที่ดีนั้นแตกต่างกันอย่างไรในโลกแห่งความเป็นจริงโดยไม่รวมความแตกต่างทางทฤษฎี / ปรัชญาเช่นตัวอย่างที่ฉันกล่าวถึงข้างต้น ดังนั้นในคำอื่น ๆ : ตัวอย่างของคำถามคืออะไรตอบได้ทั้งสถิติประจำและสถิติแบบเบย์ซึ่งคำตอบต่างจากทั้งสอง (เช่นบางทีหนึ่งในนั้นตอบ "1/2" สำหรับคำถามเฉพาะและอีกคำตอบ "2/3") มีความแตกต่างเช่นนี้หรือไม่? ถ้าเป็นเช่นนั้นมีตัวอย่างอะไรบ้าง? ถ้าไม่เช่นนั้นจริง ๆ แล้วมันจะสร้างความแตกต่างได้อย่างไรเมื่อฉันใช้สถิติแบบเบย์หรือสถิติที่พบบ่อยเมื่อแก้ไขปัญหาเฉพาะ ทำไมฉันจะหลีกเลี่ยงสิ่งหนึ่งเพื่อประโยชน์ของผู้อื่น?

2
ทำไมการทดสอบสมมติฐานบ่อย ๆ จึงลำเอียงในการปฏิเสธสมมติฐานว่างด้วยตัวอย่างที่มีขนาดใหญ่เพียงพอ?
ฉันแค่อ่านบทความนี้เกี่ยวกับปัจจัย Bayes สำหรับปัญหาที่ไม่เกี่ยวข้องอย่างสมบูรณ์เมื่อฉันสะดุดกับข้อนี้ การทดสอบสมมติฐานด้วย Bayes factor นั้นแข็งแกร่งกว่าการทดสอบสมมติฐานบ่อยๆเนื่องจากรูปแบบ Bayesian หลีกเลี่ยงอคติการเลือกรูปแบบประเมินหลักฐานที่สนับสนุนสมมติฐานว่างรวมถึงความไม่แน่นอนของแบบจำลองและช่วยให้แบบจำลองที่ไม่ซ้อนกันต้องถูกเปรียบเทียบ มีตัวแปรตามเหมือนกัน) นอกจากนี้การทดสอบที่มีนัยสำคัญบ่อยครั้งกลายเป็นความลำเอียงในการปฏิเสธสมมติฐานว่างด้วยขนาดตัวอย่างที่มีขนาดใหญ่เพียงพอ [เน้นเพิ่ม] ผมเคยเห็นการเรียกร้องนี้มาก่อนในคาร์ล Friston 2012 กระดาษใน NeuroImageที่เขาเรียกมันว่าการเข้าใจผิดของการอนุมานคลาสสิก ฉันมีปัญหาเล็กน้อยในการค้นหาบัญชีการสอนอย่างแท้จริงว่าทำไมเรื่องนี้จึงควรเป็นจริง โดยเฉพาะฉันสงสัยว่า: ทำไมสิ่งนี้เกิดขึ้น วิธีการป้องกันมัน ความล้มเหลวนั้นวิธีการตรวจสอบ

2
ทำไม Bayesian จึงไม่ได้รับอนุญาตให้ดูสิ่งตกค้าง
ในบทความ "การสนทนา: นักนิเวศวิทยาควรเป็นชาวเบย์หรือไม่?" ไบรอันเดนนิสให้มุมมองเชิงบวกและเชิงบวกที่น่าประหลาดใจของสถิติแบบเบย์เมื่อเป้าหมายของเขาดูเหมือนจะเตือนผู้คนเกี่ยวกับเรื่องนี้ อย่างไรก็ตามในวรรคหนึ่งโดยไม่มีการอ้างอิงหรือเหตุผลใด ๆ เขาพูดว่า: คุณเห็นไหมไม่ได้รับอนุญาตให้ดูสิ่งที่เหลืออยู่ของพวกเขา มันเป็นการละเมิดหลักการความน่าจะเป็นที่จะตัดสินผลลัพธ์โดยวิธีการที่รุนแรงภายใต้แบบจำลอง สำหรับชาวเบย์นั้นไม่มีรูปแบบที่ไม่ดี แต่เป็นความเชื่อที่ไม่ดี เหตุใดชาว Bayesian จึงไม่ได้รับอนุญาตให้ดูสิ่งตกค้าง การอ้างอิงที่เหมาะสมสำหรับสิ่งนี้คืออะไร (เขาคือใครอ้างอิง) เดนนิส, บี. อภิปราย: นักนิเวศวิทยาควรกลายเป็นชาวเบย์? การประยุกต์ใช้งานระบบนิเวศสังคมนิเวศวิทยาของอเมริกา , 1996 , 6, 1095-1103

6
การเชื่อมต่อระหว่างภูมิภาคที่น่าเชื่อถือกับการทดสอบสมมติฐานแบบเบย์คืออะไร?
ในสถิติที่ใช้บ่อยมีการเชื่อมต่ออย่างใกล้ชิดระหว่างช่วงความมั่นใจและการทดสอบ ใช้การอนุมานเกี่ยวกับในการแจกแจงเป็นตัวอย่างช่วงเวลาความเชื่อมั่น มีค่าทั้งหมดของที่ไม่ได้ปฏิเสธโดย -test ที่ระดับนัยสำคัญ\N ( μ , σ 2 ) 1 - α ˉ x ± เสื้อα / 2 ( n - 1 ) ⋅ s / √μμ\muไม่มี( μ , σ2)ยังไม่มีข้อความ(μ,σ2)\rm N(\mu,\sigma^2)1 - α1-α1-\alpha μtαx¯± tα / 2( n - 1 ) ⋅ s / n--√x¯±เสื้อα/2(n-1)⋅s/n\bar{x}\pm t_{\alpha/2}(n-1)\cdot s/\sqrt{n}μμ\muเสื้อเสื้อtαα\alpha ช่วงความเชื่อมั่นบ่อยครั้งอยู่ในการทดสอบแบบคว่ำนี้ …

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.